Netflix vmaf：基于多方法融合的感知视频质量评估

VMAF - 视频多方法评估融合 VMAF 是 Netflix 开发的荣获艾美奖的感知视频质量评估算法。该软件包包括一个独立的 C 库 libvmaf 及其包装的 Python 库。 Python 库还提供了一组工具，允许用户训练和测试自定义 VMAF 模型。阅读这篇技术博客文章了解概述，阅读这篇文章了解最佳实践提示，阅读这篇文章了解我们在速度优化、新 API 设计和引入编解码器评估友好的 NEG 模式方面的最新努力。 libvmaf 中还包含其他几个指标的实现：PSNR、PSNR-HVS、SSIM、MS-SSIM 和 CIEDE2000。 (2026-06) 我们将发布一组新的 VMAF 模型 ( v1 )。有关 v1 的更多信息，请参阅技术博客。有关详细信息和模型选择指南，请参阅 models_v1.md。上一代模型 (v0) 仍记录在 models_v0.md 中。我们愿意接受用户对 VMAF v1 的反馈，并将随着时间的推移继续改进和更新模型。 (2023-12-07) 我们正在发布 libvmaf v3.0.0 。它包含多项优化和错误修复，并完全删除了 v2.0.0 中已弃用的 API。 (2021-12-15) 我们向 CAMBI 添加了 full_ref 输入参数，以允许将 CAMBI 作为完整参考指标运行，同时考虑到源中已存在的条带。查看使用页面。 (2021-12-1) 我们向 CAMBI 添加了 max_log_contrast 输入参数，以允许捕获对比度高于默认值的条带。我们还加快了 CAMBI 的速度（例如，4k 速度约为 4.5 倍）。查看使用页面。 (2021-10-7) 我们正在开源 CAMBI（对比感知多尺度条带指数）——Netflix 的条带（又名轮廓）伪影检测器。查看技术博客了解概述以及 PCS 2021 中发布的技术论文（请注意，该论文描述了 CAMBI 的初始版本，不再与代码完全匹配，但它仍然是一个很好的介绍）。另请查看使用页面。 (2020-12-7) 查看我们最新的技术博客，了解速度优化、新的 API 设计以及编解码器评估友好的 NEG 模式的引入。 (2020-12-3) 我们正在发布 libvmaf v2.0.0 。它具有新的定点和 x86 SIMD 优化（AVX2、AVX-512）实现，与之前的浮点版本相比，速度提高了 2 倍。它还具有更加灵活和可扩展的新 API。 (2020-7-13) 我们创建了一份备忘录，分享我们对图像增强操作中 VMAF 特性、其对编解码器评估的影响以及我们的解决方案的看法。因此，我们添加了一种称为无增强增益 (NEG) 的新模式。 (2020-2-27) 我们已将 VMAF 的许可证从 Apache 2.0 更改为 BSD+Patent ，这是比 Apache 更宽松的许可证，还包括明确的专利授予。文档概述包含指向特定页面的链接，涵盖常见问题解答、可用型号和功能、软件使用指南以及资源列表。该软件包提供了多种与 VMAF 实现交互的方法。命令行工具vmaf提供了完整的算法实现，可以在生产环境中轻松部署VMAF。此外，vmaf 工具还提供许多辅助功能，例如 PSNR、SSIM 和 MS-SSIM。 C 库 libvmaf 提供了一个将 VMAF 合并到代码中的接口，以及将其他特征提取器集成到库中的工具。 Python 库提供了一整套用于软件测试、VMAF 模型训练和验证、数据集处理、数据可视化等的包装类和脚本。VMAF 现在作为过滤器包含在 FFmpeg 中，可以使用以下方式进行配置： ./configure --enable-libvmaf 。请参阅将 VMAF 与 FFmpeg 结合使用页面。 VMAF Dockerfile 从 Python 库生成 docker 映像。详细使用方法请参考该文档。要在 Windows 上构建 VMAF，请按照以下说明进行操作。 AOM CTC：AOM 根据 AOM 通用测试条件 (CTC) 指定 vmaf 作为标准实现度量工具。请参阅本页了解符合 AOM CTC 的使用方法。请参阅贡献页面。另请参阅此幻灯片以获取概述贡献指南。